互联网技术的发展,使得公共和私人组织可以收集到包含个人详细信息的大量微观数据,将这些数据公开发布给社会和研究机构的需求正在逐步增长。同时,这些数据的持有者也面临着公开数据以证明其透明度的压力,但是,这些微观数据包含着许多个人的敏感信息,如果不经处理直接发布,数据中个人的隐私信息将面临巨大的泄露风险,因此,在数据发布之前,需要对原始数据进行处理以防止隐私信息的泄露。差分隐私模型是当今最广为使用的隐私保护数据发布技术,并且因其强大的隐私保护能力,被应用到隐私保护的众多领域。差分隐私机制主要通过对原始数据注入噪声来实现隐私保护的目的,但是在面对高维数据时,现存隐私保护算法会注入过多的噪声,从而导致数据的可用性较差,因此,如何在满足差分隐私的同时,保证数据的可用性是一项艰巨的任务。本文重点研究了差分隐私模型下高维数据的合成数据发布方法,针对现存算法不能有效处理高维数据的发布问题提出了相应的改进方法,并保证在满足差分隐私的前提下,提高合成数据的可用性。本文主要工作如下:(1)研究了贝叶斯网络结构学习方法,并针对现存算法的不足,提出了一种基于依赖关系和评分函数的贝叶斯网络结构混合学习方案,使得构造的贝叶斯网络中属性的低维边缘分布能够充分近似高维数据中属性的全分布。(2)针对高维数据的取样过程,提出了一种基于贝叶斯网络的差分隐私取样算法,采用网络中属性的低维边缘分布近似高维数据的全分布,在取样时对网络中属性的边缘分布注入Laplace噪声,然后从中取样生成合成数据集,使得取样过程在低维空间进行,降低了计算复杂度。(3)通过实验对合成数据集的可用性进行了验证,对比相关算法,本文中的方法,在满足差分隐私约束的同时,生成的合成数据集与原始数据集具有更高的相似度。